一种用于视觉位置识别的混合紧凑神经架构
计算机视觉与模式识别
2020-02-20 v3 机器学习
机器人学
摘要
最先进的视觉位置识别算法及相关的视觉导航系统可大致分为两类:一类是计算机科学导向的模型,包括深度学习或基于图像检索的技术,其生物学合理性极低;另一类是神经科学导向的动力学网络,用于建模大脑中空间导航的时序特性。在本文中,我们首次提出一种紧凑且高性能的位置识别模型,弥合了这一分歧。我们的方法包含这两类中的两个关键神经模型:(1) FlyNet,一种受果蝇(Drosophila melanogaster)脑结构启发的紧凑稀疏两层神经网络;(2) 一维连续吸引子神经网络(CANN)。由此得到的 FlyNet+CANN 网络将 FlyNet 模型的紧凑模式识别能力与同样紧凑的 CANN 的强大时序滤波能力相结合,在混合神经实现中完整复现了诸如 SeqSLAM 等算法定位方法中的高性能功能。我们在两个具有微小视角变化和极端环境变化的基准真实世界数据集上评估了我们的模型,并与三种最先进的方法进行比较——在昼夜转换下取得了 87% 的 AUC 结果,而 Multi-Process Fusion 为 60%、LoST-X 为 46%、SeqSLAM 为 1%,同时分别快 6.5、310 和 1.5 倍。
引用
@article{arxiv.1910.06840,
title = {A Hybrid Compact Neural Architecture for Visual Place Recognition},
author = {Marvin Chancán and Luis Hernandez-Nunez and Ajay Narendra and Andrew B. Barron and Michael Milford},
journal= {arXiv preprint arXiv:1910.06840},
year = {2020}
}
备注
Preprint version of article published in IEEE Robotics and Automation Letters